Djupinlärning på sinogram för bildrekonstruktion från spektral CT
I takt med den nya utvecklingen av fotonräknande datortomografi med möjligheter till lägre stråldoser kommer även krav på bättre metoder för brusreducering och bildrekonstruktion. För att lösa detta problem föreslås appliceringen av ett neuralt nätverk för att filtrera bort brus och rekonstruera bil...
| Main Authors: | , |
|---|---|
| Format: | Others |
| Language: | Swedish |
| Published: |
KTH, Skolan för teknikvetenskap (SCI)
2021
|
| Subjects: | |
| Online Access: | http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-297530 |
| Summary: | I takt med den nya utvecklingen av fotonräknande datortomografi med möjligheter till lägre stråldoser kommer även krav på bättre metoder för brusreducering och bildrekonstruktion. För att lösa detta problem föreslås appliceringen av ett neuralt nätverk för att filtrera bort brus och rekonstruera bilderna. Detta kan göras både före och efter övergången från sinogramdomänen till bilddomänen. Denna rapport undersöker tillämpningen av ett sådant neuralt nätverk i sinogramdomänen med fokus på hur hyperparametrarna ska bestämmas för att uppnå optimala resultat. Datamängden som tränades på bestod av basmaterialsuppdelade sinogram i form av datorsimulerade Shepp-Logan-fantomer. Hyperparametrarna som undersöktes var batchstorlek, epoker, förlustfunktion och antal faltningslager. |
|---|